(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110736835.3 (22)申请日 2021.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 113361206 A (43)申请公布日 2021.09.07 (73)专利权人 上海理工大 学 地址 200093 上海市杨 浦区军工路516号 (72)发明人 孙涛　冯礼鸿　蒋胜　徐雨文　 郑岳久　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 郁旦蓉 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/29(2019.01) G06F 119/06(2020.01) (56)对比文件 CN 108806021 A,2018.1 1.13US 2018045 525 A1,2018.02.15 CN 112549970 A,2021.0 3.26 FR 3086053 A1,2020.0 3.20 CN 110126841 A,2019.08.16 CN 110610260 A,2019.12.24 唐飞 等.基 于HMM的电动出租汽车 行驶状态 预测改进 模型研究. 《计算机 应用与软件》 .2021, 第38卷(第5期),第9 9-105页. 韩少剑等.基于深度学习的混合动力汽车 预 测能量管理. 《中国公路学报》 .2020,(第08 期), 吴钉捷等.基 于实时出 行需求和交通路况的 电动汽车充电负荷预测. 《电力建 设》 .2020,(第 08期), 高文超等.路网 匹配算法综述. 《软件学报》 .2017,(第02期), 郭景华等.基于危险场景聚类分析的前 车随 机运动状态预测研究. 《汽车工程》 .2020,(第07 期), 审查员 刘华楠 (54)发明名称 基于地图API信息和HMM的未来能耗预测方 法 (57)摘要 本发明提供一种基于地图API信息和HMM的 未来能耗预测方法， 用于对电动汽 车在续驶里程 时进行未来能耗预测， 其特征在于， 包括以下步 骤： 步骤S1， 将历史工况按所在道路类型进行分 类形成多类工况类型， 并提取各类工况类型的标 准差； 步骤S2， 根据未来出行起终点， 通过地图 API获取未来出行道路信息； 步骤S3， 基于道路类 型匹配与之对应的工况类型并得到相对应的标 准差； 步骤S4， 根据该标准差以及平均车速对未 来出行工 况进行首次预测得到预测车速曲线； 步 骤S5， 基于预测车速曲线， 采用HMM的滚动匹配优 化方法对相同道路类型工况进行优化预测得到 优化车速曲线； 步骤S6， 将优化车速曲线输入至 预定能耗计算模 型进行计算， 获得未来能耗预测结果。 权利要求书2页 说明书5页 附图4页 CN 113361206 B 2022.07.29 CN 113361206 B 1.一种基于地图API信息和HMM的未来能耗预测方法， 用于对电动汽车在续驶里程 时进 行未来能耗预测， 其特 征在于， 包括以下步骤： 步骤S1， 将历史工况按所在道路类型进行分类形成多类工况类型， 并根据所述历史工 况提取各类所述工况类型的标准差； 步骤S2， 根据所述电动汽车的未来出行起终点， 通过地图API来获取该地 图API基于所 述未来出行起终点进 行道路规划生成的未来出行道路信息， 所述未来出行道路信息至少包 括出行预测道路的所述道路类型以及平均车速； 步骤S3， 基于所述道路类型匹配与之对应的所述工况类型并得到相对应的标准差； 步骤S4， 根据 该标准差以及所述平均车速对所述电动汽车未来出行工况进行首次预测 得到该电动汽车在各个所述道路类型 上的预测车速曲线； 步骤S5， 基于所述预测车速曲线， 采用HMM的滚动匹配优化方法对所述电动汽车在相同 所述道路类型的所述出 行预测道路上的工况进行优化预测得到优化车速曲线； 步骤S6， 将所述优化车速曲线输入至预定能耗计算模型进行计算， 获得所述电动汽车 的在所有所述出 行预测道路上的未来能耗预测结果， 其中， 所述HMM的滚动匹配优化方法为基于HMM不断收集本次出行工况并对所述出行工 况进行分类， 在每经历一次滚动匹配时间间隔后， 所述HMM对每一类所述出行工况进 行参数 学习， 并用于后续相同道路类型 的工况预测， 从而针对所述出行预测道路的后续相同道路 的工况进行 所述优化预测， 所述参数学习为基于赤池信息量准则和期望最大化算法分别对各类 所述历史工 况Vi(i ＝0,1,2, …,6)进行参数 λi＝( πi,Ai,Bi)的学习， 式中， πi,Ai,Bi分别表示第i类历史工况的初始概率分布、 状态转移矩阵和发射概率矩 阵， 所述优化预测为： 在所述参数学习的基础上， 基于维特比算法确定各类所述历史工况 的隐状态序列， 最后结合所述未来出行道路信息进行所述工况类型匹配得到所述优化车速 曲线。 2.根据权利要求1所述的基于地图API信息和H MM的未来能耗预测方法， 其特 征在于： 其中， 所述历史工况包括经纬度信息， 所述历史工况的分类为： 根据所述经纬度信息， 采用逆地址解析精准还原每个所述历史工况所在的地理位置， 然后根据所述历史工况 所在的道路类型 给所述历史工况贴标签进行分类。 3.根据权利要求1所述的基于地图API信息和H MM的未来能耗预测方法， 其特 征在于： 其中， 所述首次预测为： 利用高斯分布与高斯滤波分别预测各 段道路的工况： Vi～N( μi, σi2) 式中， Vi表示第i种道路类型对应的车速集合， 该集合基数由各段道路的预计通过时间 确定， μi表示各分段道路的预计平均车速， i表示第i种道路类型， 而σi表示第i类历史工况的 标准差， 所述车速曲线根据所述车速集 合得到。 4.根据权利要求1所述的基于地图API信息和H MM的未来能耗预测方法， 其特 征在于：权　利　要　求　书 1/2 页 2 CN 113361206 B 2其中， 所述预定能耗模型为： eupd(i)＝(1‑ω)ehis_i+ωepre(i) 式中， eupd(i)为未来各道路类型的能耗预测值， ehis_i表示第i种历史工况的平均能耗值， epre(i)为基于工况预测计算所得的第i种道路类型对应的能耗预测值， pupd(i)为更新时刻未 来各道路类型的占比， ω为权重系数， 该权重系数ω取值为0.8， epre_upd为更新时刻的能耗 预测值。权　利　要　求　书 2/2 页 3 CN 113361206 B 3